ABSTRAKSI: Prediksi pada imbalanced class merupakan permasalahan yang sering dijumpai dalam banyak aplikasi kehidupan. Kasus kelas minor sangat jarang sehingga susah untuk prediksi. Kelangkaan ini membatasi informasi yang bisa didapatkan dari kelas minor. Churn Prediction adalah satu kasus dari imbalanced class dan merupakan aplikasi dari task data mining yang bertujuan untuk memprediksi para pelanggan yang berpotensi untuk Churn. Pada tugas akhir ini di kenalkan pendekatan baru yang memanfaatkan kelebihan dari Emerging Pattern dan Decision Tree(EPDT) untuk mengklasifikasi kelas minor pada imbalanced dataset. Pendekatan ini didapatkan melalui dua tahap. Tahap pertama menggunakan Emerging Pattern kelas minor untuk membuat instance Emerging Pattern kelas minor baru yang tidak ada sebelumnya. Tahap kedua menggunakan Emerging Pattern kelas minor untuk melakukan oversample Emerging Pattern kelas minor yang sangat penting. Implementasi dilakukan dengan study kasus Churn Prediction pada sebuah perusahaan Telekomunikasi di Indonesia. Hasil yang didapat menunjukan EPDT mampu memperbaiki kelas minor dan meningkatkan akurasi kelas minor sampai 87%.Kata Kunci : Churn Prediction, Data mining, Decision Tree, Emerging Patterns, Imbalaced class, Oversampling.ABSTRACT: The prediction of imbalanced class is a problem in many real life applications, the scarcity of the minor class makes it difficult to predict them correctly. This scarcity limits the information gained from the minor class. Churn prediction is one of the imbalanced class cases and one of application in data mining task which has goal to predict customer who potentially to Churn. In this final project introduces new approach to use the advantage of Emerging Pattern and decision trees (EPDT) to classify rare cases in imbalanced dataset. This is achieved through two stages. The first stage involves using the rare-class Emerging Patterns to create new non existing rara-class instances. The second stage involves using the rare-class Emerging Patterns to oversampling the most important rare-class instances. Implementation had done which take the case study churn prediction on the one of Indonesian Telco Company. The result show that EPDT can improve minor class and accuracy up to 87%.Keyword: Churn Prediction, Data mining, Decision Tree, Emerging Patterns, Imbalaced class, Oversampling.